基于T-S模型的Lurie混沌系统的模糊控制

针对Lurie混沌控制系统,进行了T-S模糊建模和模糊控制器设计,从而实现了Lurie混沌系统的稳定.在用T-S模糊模型精确重构Lurie系统结构的基础上,利用反馈同步思想,基于并行分布补偿(PDC)技术,得到了简单且易实现的控制器.仿真结果验证了该控制方法的有效性.     

输入变量个数对T-S模糊建模精度的影响

输入变量个数会对模糊建模精度产生影响.对于一个实际的复杂系统,可测的或者需要考虑的输入变量非常多.是不是考虑的影响因素越多,即模糊系统的输入变量越多,则辨识的效果就越好呢?本文基于T-S模糊模型,分别采用对称三角形模糊划分和网格对角线法以及模糊聚类划分提取模糊规则,对Box-Jenkins煤气炉数据和Mackey-Glass混沌时间序列进行建模,得到了模糊模型训练性能指标和检验性能指标随输入变量个数增加时的变化趋势曲线,并给出了结论.     

一类非线性动态系统的混合H2/H∞模糊输出反馈跟踪控制

讨论一类非线性动态系统的混合H2/H∞模糊输出反馈跟踪控制问题。首先利用T-S模糊模型对系统进行建模,然后设计基于观测器的控制器,使跟踪误差尽可能的小,并且对于任何有界参考输入,满足给定的H∞跟踪性能,以及在满足给定的H∞跟踪性能下,达到H2次优控制性能,最后将观测器与控制器的设计问题转化为EVP(特征值问题)。     

基于模糊与神经网络技术的复杂非线性跟踪控制

针对一类具有不确定性、多重时延和状态未知的复杂非线性系统,把模糊T-S模型和RBF神经网络结合起来,提出了一种基于观测器的跟踪控制方案.首先,应用模糊T-S模型对非线性系统建模,设计观测器用来观测系统状态,并由线性矩阵不等式得到模糊模型的控制律;其次,构建了自适应RBF神经网络,应用自适应RBF神经网络作为补偿器来补偿建模误差和不确定非线性部分.证明了闭环系统满足期望的跟踪性能.示例仿真结果表明了该方案的有效性.     

一类模糊T-S模型互联系统的自适应容错跟踪控制

针对一类带有执行器故障的T-S模糊互联的容错跟踪控制问题,提出了一种模糊自适应容错控制器。该控制器由一个模糊控制器和一个自适应控制器组成,模糊控制器能够保证系统没有故障时闭环系统渐近稳定,而自适应控制器能够补偿系统的执行器故障。所提出的容错控制方法不但使得闭环系统渐近稳定、系统的输出渐近跟踪给定的参考信号,并获得H∞控制性能。最后应用Lyapunov函数和线性矩阵不等式的方法,给出和证明了带有执行器故障的T-S模糊互联系统的稳定的充分条件。仿真结果进一步验证了所提出方法的有效性。     

一类基于模糊T-S模型的有执行器故障的自适应容错跟踪控制

研究了一类带有执行器故障的T-S模糊系统的容错跟踪控制问题。设计中,把模糊控制与自适应控制相结合,提出了一种新的容错控制方法。该控制器由正常控制器和一个自适应控制器组成,能够使得闭环系统稳定,故障状态模型渐近跟踪正常模型,并获得优化的控制性能。应用Lyapunov函数和线性矩阵不等式方法,给出和证明了带有执行器故障的T-S模糊系统的稳定的充分条件。仿真结果进一步验证了所提出的方法的有效性。     

基于模糊双线性模型的非线性系统的跟踪控制

研究一种基于T-S模糊双线性系统的跟踪控制器设计及稳定性分析.使用分布并行补偿法(PDC)设计了模糊控制器,得到模糊双线性系统跟踪控制渐近稳定的充分条件,仿真结果验证了该方法改进了闭环系统的性能.     

基于GA-BP的模糊神经网络控制器与Elman辨识器的系统设计

提出了一种基于神经网络的模糊控制系统 ,该系统由模糊神经网络控制器和模型辨识网络组成 .文中介绍了模糊神经网络控制器采用遗传算法离线优化与 BP算法在线调整 ,给出了具体控制算法 ,推导了变形 Elmam网络的系统辨识算法 .仿真结果表明了此法的可行性和有效性 .     

基于自适应模糊聚类的T-S模糊辨识方法

针对模糊建模在进行结构辨识时需事先设定聚类数的问题,本文在改进模糊分割聚类算法的基础上,对算法中聚类数c给出优选方法,提出了参数自适应模糊聚类算法,并结合递推最小二乘法构建T-S模糊辨识算法。为了验证本文提出的模糊辨识方法的有效性,采用该算法对熟知的Box-Jenkins煤气炉数据和实际的电液位置伺服系统数据进行建模,结果显示该辨识方法具有较高的逼近精度和较好的泛化能力。     

粒子群优化的收敛分析及在广义预测控制中的应用

在进行粒子群优化的收敛性理论分析的基础上,推出了保证粒子群优化算法收敛性的参数设置区域,合理选择粒子群算法的关键参数,将粒子群优化与广义预测控制有机融合,用粒子群算法来解决广义预测控制的优化问题,提出基于粒子群优化的广义预测控制算法,通过工业过程对象的仿真并和传统的广义预测控制算法进行了对比分析,表明了该算法的有效性,特别是算法具有良好的输出跟踪精度和较强的鲁棒性.     

GIHS-TSFNN并行学习算法及其应用研究

针对传统T-S模糊神经网络的随机初始网络参数导致网络学习速度慢、易陷入局部解以及运算精度低等缺陷,提出了一种应用佳点集的改进和声搜索算法(GIHS)优化T-S模糊神经网络的并行学习算法.首先应用佳点集择优构造更加高质量的初始和声库,然后搜索过程中进行参数动态调整,并且每次迭代产生多个新解,充分利用和声记忆库的信息,以提高算法的全局搜索能力和收敛速度.其次,将GIHS算法与T-S神经网络相结合构建并行学习算法,实现两种算法的并行交互集成,得到了最优参数配置以提高T-S模糊神经网络的泛化能力.最后将该算法应用到农业干旱等级预测中以解决旱情评估问题.仿真实验表明,GIHS算法性能优于基本HS和IHS算法,且与T-S模糊神经网络、HS算法优化的T-S模糊神经网络和IHS算法优化的T-S模糊神经网络相比,具有更高的预测准确度.     

卫星姿态跟踪的间接自适应模糊预测控制

对含模型不确定性和未知干扰的卫星姿态系统提出了具有间接自适应模糊补偿的广义预测跟踪控制方法. 首先基于卫星姿态动力学模型设计了非线性广义预测控制律, 再利用自适应模糊系统逼近预测控制律中的模型不确定项, 使得所得到的预测控制算法可实施.证明了当卫星姿态模型中不确定项满足一定条件时, 所设计的控制律可使卫星姿态跟踪误差收敛到原点的小邻域内,并仿真结果验证了所提出方法的有效性.     

基于动态BP网络误差修正的广义预测控制

针对建模误差对非线性系统预测控制鲁棒性的影响 ,提出了一种基于动态 BP网络的广义预测控制算法 .该算法运用动态 BP网络对模型预测误差进行在线补偿 ,以提高预测精度 .仿真结果证明了本文提出的广义预测控制算法对于非线性系统是有效的     

采用模糊滑模变结构方案控制Chua混沌系统

基于模糊动态模型 ,研究了 Chua混沌系统的稳定控制问题 .将非线性混沌系统模糊化为局部线性模型 .用 Lyapunov稳定性理论设计出 ,确保模糊动态模型全局渐近稳定的变结构控制器 .仿真验证了方案的有效性 .模糊控制器简单 ,规则少 .     

基于模糊Lyapunov函数对带有离散无穷分布时滞的T-S模糊系统的非PDC广义H2控制

基于模糊分段非二次李雅普诺夫(Lyapunov)函数稳定性理论,对一类受外部干扰且带有离散无穷分布时滞的T-S模糊系统的广义H2稳定控制问题进行了讨论.通过设计非PDC (Non-PDC)模糊控制器,充分考虑子邻域Ωi(i=1,2,…,s)之间的转移,给出了保守性较小的使闭环系统广义H2稳定的充分性条件.控制器的设计可以通过线性矩阵不等式(LMI)方法求解得到.仿真例子验证了该方法的有效性.     

一类离散T-S模糊广义系统的控制器设计

利用离散广义Lyapunov方法和分段模糊Lyapunov函数并借助子系统的性质,解决了一类离散T-S广义模糊系统的模糊控制及模糊状态观测器设计问题,得出了离散T-S模型广义系统其极值子系统的基础上设计出的新的模糊控制器和模糊状态观测器.     

二型模糊小波脑情感学习网络在非线性系统辨识中的研究

针对现有模糊神经网络在辨识具有时变的非线性系统存在辨识精度不高,收敛速度较慢等缺点,提出了一种二型小波模糊脑情感学习网络(T2FWBELN)模型,它结合了模糊逻辑和脑情感学习网络的优点,并在网络结构中使用了小波函数。与其他算法相比,该算法在非线性系统辨识中有着更高的逼近能力。同时,采用模糊C均值算法生成模糊规则,并使用梯度下降法对T2FWBELN的各种参数进行在线调整,降低了参数调整时间。为了进一步验证该模型的有效性和优越性,仿真了两个不确定非线性系统辨识的例子,一个是Mackey-Glass时间序列预测,一个是带有噪声的动态系统辨识。测试结果表明,所提出的模型在处理非线性系统辨识中拥有更高的精度。     

基于随机采样模糊聚类和卡尔曼滤波方法的模糊辨识

提出一种新的基于模糊聚类和卡尔曼滤波方法的模糊辨识算法 .该方法是基于快速模糊聚类 ,计算给定样本在各类中的隶属度 ,并利用卡尔曼滤波方法辨识模糊模型的结论参数 .整个辨识过程与一般的模糊聚类方法 [1 ]相比 ,需要的 CPU时间大大缩短 .最后通过仿真实例验证了该方法的有效性 .     

一类广义迭代学习控制系统的状态跟踪算法

利用迭代学习控制方法,研究了一类广义系统的状态跟踪问题.针对广义系统的分解形式,提出了一种新的迭代学习控制算法,该算法由部分D型算法和部分P型算法混合而成.给出了新算法的收敛条件,并从理论上对新算法进行了完整的收敛性分析.数值仿真结果说明了所提出的广义系统状态跟踪的迭代学习控制算法的有效性.     

(α,β)-勾股模糊数广义系统北大核心

为了进一步研究模糊数直觉模糊广义系统,在T-S模糊系统和勾股模糊集的基础上首次提出了(α,β)-勾股模糊数广义系统。然后研究了这类系统的稳定性,讨论了(α,β)-勾股模糊数广义系统和T-S模糊系统的关系。其次,深入研究了(α,β)-勾股模糊数广义系统的控制器和(α,β)-勾股模糊数广义系统的稳定性。(α,β)-勾股模糊数广义系统将是一个新的研究方向,将成为解决实际问题的一种通用方法。最后,通过实例说明了该方法的有效性。